Capitulo V - Cátedra Valorización de Minas - El Krigeado PDF

DE LOS ESTIMADORES
TRADICIONALES AL
KRIGING
Valorización de Minas : Semestre 1 año 2016

Académico :Julio Bravo G.
INTRODUCCION
Objetivo
La estimación local consiste en evaluar (predecir) el valor de la

variable regionalizada en un sitio no muestreado del espacio,
utilizando para ello los datos circundantes disponibles.
Asimismo, se puede evaluar el valor promedio de la variable en

un soporte mayor que el soporte de los datos.

LOS ESTIMADORES TRADICIONALES
Ejemplo introductorio
Se busca estimar el valor en el sitio “?” a partir de los valores
en los sitios A, B, C, D, E, F.

Estimador del más cercano vecino

Atribuye toda la ponderación al dato más cercano al sitio a
estimar. En este caso se trata del dato ubicado en C.

Estimador del inverso de la distancia

Asigna a cada dato una ponderación inversamente proporcional
a (una potencia de) su distancia al sitio a estimar.
inverso de la distancia inverso del cuadrado de la distancia

Ventajas
•Fáciles de ejecutar
•En ambos casos, el estimador privilegia los datos cercanos
Inconvenientes
•El más cercano vecino apantalla a todos los otros datos, luego
omite parte de la información. El inverso de la distancia no
considera las redundancias que existen entre datos agrupados
•Ambos estimadores no toman en cuenta la continuidad de la
variable regionalizada: regularidad en el espacio, anisotropía
•No miden la precisión de la estimación
El kriging busca mejorar la ponderación de los datos al tomar

en cuenta:
1) Sus distancias al sitio a estimar
2) Las redundancias entre los datos (posibles agrupamientos)
3) La continuidad de la variable regionalizada (variograma)
Privilegia los datos cercanos si el variograma es muy regular
Reparte la ponderación entre los datos si existe un efecto pepita
En caso de anisotropía, privilegia los datos ubicados a lo largo
de las direcciones de mayor alcance
Asimismo, el kriging cuantifica la precisión de la estimación.
EL KRIGEADO
En términos mineros, el krigeado consiste en encontrar la

mejor estimación lineal insesgada de un bloque o zona V
considerando la información disponible; es decir, las muestras
interiores y exteriores a V.
Volumen a estimar.
El krigeado atribuye un peso λi a la muestra z(xi). Estos pesos λi

se calculan de manera de minimizar la varianza del error
cometido.
Interés del Krigeado
El interés del krigeado proviene de su misma definición. Al

minimizar σE2 estamos seguros de obtener la estimación más
precisa posible de V o equivalentemente, de sacar el mejor
provecho posible de la información disponible.
El nombre krigeado proviene de los trabajos de Daniel Krige en las
minas de oro sudafricanas de Rand, en los años 50. La teoría fue
formalizada una década más tarde por el geomatemático francés
Georges Matheron.
Dos bloques contiguos en la oficina Ossa. El color amarillo representa

mineral (con ley 1) y el blanco estéril (con ley 0). Los círculos
representan los datos. Se observa que, en general, es necesario utilizar
datos externos al bloque.

El interés práctico más importante del krigeado, proviene, no del hecho
que asegura la mejor precisión posible, sino más bien porque permite
evitar un error sistemático. En la mayoría de los depósitos mineros, se
deben seleccionar, para la explotación, un cierto número de bloques,
considerados como rentables y se deben abandonar otros bloques
considerados no-explotables. Daniel Krige demostró que, si esta
selección se realizara considerando exclusivamente las muestras
interiores a cada bloque, resultaría necesariamente (en promedio) una
sobre-estimación de los bloques seleccionados. La razón de este
problema es que el histograma de las leyes reales de los bloques tiene
menos leyes extremas, ricas o pobres, luego tiene más leyes intermedias
que el histograma calculado con las muestras interiores, y, si se calcula
el efecto de una selección sobre este último histograma, los paneles
eliminados serán en realidad menos pobres que lo que se había previsto,
y los paneles conservados menos ricos (figura anterior).

Histograma de bloques
y de muestras
De acuerdo a lo expresado anteriormente, el krigeado define el estimador

lineal:

con la condición de insesgado (llamada también condición de
universalidad):
Como es natural, el krigeado atribuye pesos altos a las muestras cercanas

a V y pesos débiles a las alejadas. Sin embargo, esta regla intuitiva puede
fallar en ciertas situaciones en las cuales se habla de efecto de pantalla o
de transferencia de influencia.
Estudiaremos estos conceptos con un ejemplo: La figura siguiente
muestra un bloque que debe ser estimado a partir de 8 muestras S1, S2, .
. . , S8.
Transferencia de influencia y
efecto de pantalla.

El krigeado encontrará en este caso, suponiendo isotropía espacial:
i) λ1 ≥ λi (i = 2, 3, . . . , 8)
La muestra S1 es la de mayor peso.
ii) λ2, λ3 ≥ λi (i = 4, 5, . . . , 8)
Las muestras S2 y S3 tienen mayor peso que las muestras S4, S5 , . . . , S8
iii) λ6 ≅ 0
Se dice que la muestra S5 hace pantalla a la muestra S6.
iv) λ4 ≅ λ5 + λ6 + λ7 + λ8
Se dice que hay una transferencia de influencia; es decir, la influencia de la

muestra S4 se reparte entre las muestras S5, S6, S7 y S8. Se puede afirmar
que el krigeado “desagrupa” la información.

La menor o mayor intensidad de los efectos anteriores depende,
evidentemente, del variograma (efecto de pepita, meseta, alcance).
Por ejemplo, si se tiene un variograma lineal isótropo, γ(h)=ω|h| , se

tienen los pesos siguientes para estimar el bloque B:
Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se

produce un “desagrupamiento”

CONSTRUCCION DEL KRIGING
El sistema de kriging se obtiene al plantear tres restricciones:
• Restricción de linealidad
Sea z(x) la variable regionalizada en estudio, {xa, a = 1... n}

los sitios con datos y x0 el sitio que se busca estimar.
La primera restricción consiste en escribir el estimador como

una combinación lineal ponderada de los datos:
n
z (x 0 ) = a    a z(x a )
*
a =1
Buscar los ponderadores {a, a = 1... n} y el coeficiente a

• Restricción de insesgo
En el modelo probabilístico, el error cometido debe tener una

esperanza nula:
E[Z*(x0) – Z(x0)] = 0
El estimador no tiende a sobreestimar o subestimar el valor

real desconocido
Notas:
1) Las mayúsculas se refieren a las magnitudes aleatorias, las minúsculas a
las magnitudes determinísticas
2) El asterisco indica una estimación
• Restricción de optimalidad
Se busca minimizar la varianza del error cometido, que mide

la amplitud potencial de dicho error
minimizar var[Z*(x0) – Z(x0)]
Búsqueda de la precisión máxima

Las ecuaciones del krigeado
Para obtener las ecuaciones de krigeado hay que minimizar la

expresión de
pero los λi deben verificar la condición:
El método clásico para minimizar la expresión de σE2 (igualar a cero

las derivadas parciales de σE2 respecto de λ1, λ2, . . . , λN) no asegura
que la suma de los λi sea 1.
En este caso hay que utilizar el método de Lagrange, el cual
explicaremos con un ejemplo matemático:
Ejemplo:
Minimizar la función A = x2 + y2 si x + y = 1. El método de Lagrange
define la función A' siguiente:
A' = x2 + y2 - 2μ(x + y - 1)
μ es una incógnita auxiliar llamada parámetro de Lagrange.

Observamos que A' es una función de tres variables: x, y, μ. Por otra
parte, si se verifica la condición x + y = 1, entonces A' = A.
El método de Lagrange consiste en igualar a cero las derivadas

parciales de A':

Es fácil de ver que la solución de este sistema es:
x = 0.5
y = 0.5
μ = 0.5
Luego el mínimo de A' ó de A es:
Ao = (0.5)^2 + (0.5)^2 = 0.5
Por lo general el parámetro μ carece de significación física.

En el caso del krigeado hay que considerar la expresión:

Se demuestra que al realizar N + 1 derivaciones se obtiene el sistema
de ecuaciones siguiente:
que es un sistema lineal de N+1 ecuaciones con N+1 incógnitas (λ1,

λ2, . . . , λN, μ)
Se demuestra que el sistema siempre tiene solución (se supone que
el modelo de γ(h) es autorizado), salvo el caso en el cual existen dos
(o más) muestras diferentes con las mismas coordenadas: Este caso
no debería presentarse en la práctica pero a veces ocurre, lo cual
hace necesario una revisión previa de la base de datos.
El método que hemos presentado se conoce como krigeado ordinario y
se puede aplicar siempre que la variable regionalizada no presente una
deriva en la vecindad de estimación.
Ejemplo 1:
En el caso del yacimiento isótropo de la figura:
Bloque a krigear, en negro la ley de la

muestra, en azul el número de la muestra.

PLAN DE KRIGING
¿Cuáles son los datos a utilizar en la estimación?
Se puede utilizar todos los datos disponibles (vecindad única)

o sólo una parte de ellos (vecindad móvil)
La palabra vecindad se refiere a la zona del espacio, centrada
en el sitio a estimar, donde se busca los datos que servirán en
la estimación.
La vecindad única aumenta innecesariamente los tiempos
de cálculo sin mejorar la precisión de la estimación, por lo
que se prefiere a menudo trabajar con una vecindad móvil.
Hay que especificar la forma y el tamaño de esta vecindad.
PLAN DE KRIGING
Forma de la vecindad móvil
Idealmente, la vecindad debería tener la forma de las curvas

de isovalores del mapa variográfico, para tomar en cuenta la
anisotropía en la correlación espacial de los datos.
En general, se suele tomar una vecindad en forma de elipse

(2D) o elipsoide (3D), lo cual corresponde teóricamente a una
anisotropía geométrica.

PLAN DE KRIGING
División en sectores angulares

Para mejorar la repartición de los datos en torno al sitio a
estimar, es recomendable dividir la vecindad en sectores
angulares y buscar datos en cada sector.

PLAN DE KRIGING
Tamaño de la vecindad móvil
Los parámetros más relevantes a considerar son: el alcance

del variograma y la densidad de la malla de muestreo.
•Factores que inducen a aumentar el tamaño:
precisión, insesgo condicional
•Factores que inducen a disminuir el tamaño:

cambios en la continuidad espacial, irrelevancia de los
datos lejanos, poca confiabilidad del variograma para las
distancias muy grandes, tiempos de cálculo.
PLAN DE KRIGING
Validación cruzada
Para determinar el plan de kriging, se puede recurrir a la

validación cruzada: probar varios planes y escoger aquel que
entrega los resultados más satisfactorios
precisión alcanzada
sesgo condicional

VARIOS TIPOS DE KRIGING

KRIGING SIMPLE
Hipótesis
•Se conoce el valor promedio m de la variable regionalizada,

el cual se asume representativo de cada región del espacio.
•También se conoce el variograma g(h), el cual presenta una
meseta.

KRIGING SIMPLE
Restricción de linealidad
La estimación en un sitio x0 se escribe como una combinación
lineal ponderada de los datos circundantes, ubicados en los
sitios {xa, a = 1... n}:
n
z ( x 0 ) = a    a z( x a )
*
a =1

KRIGING SIMPLE
Restricción de insesgo
La esperanza del error de estimación vale:
n
E [ Z (x 0 )  Z(x 0 )] = a    a E [ Z(x a )]  E [ Z(x 0 )]
*
a =1
n
= a  [   a  1] m
a =1
Para anular esta esperanza, se plantea

n
a = [1    a ] m
a =1

KRIGING SIMPLE
Restricción de optimalidad
La varianza del error de estimación se expresa en función del
variograma:
n n n
var[ Z (x 0 )  Z(x 0 )] =     a   [  g (x a  x  )]  2  a [ 2  g (x a  x 0 )]
* 2 2
a =1  =1 a =1
n n n n
=  [1    a ]    a   g (x a  x  )  2  a g (x a  x 0 )
2 2
a =1 a =1  =1 a =1
La minimización requiere anular las derivadas de esta expresión

con respecto a las incógnitas {a, a = 1... n}.

KRIGING SIMPLE
Sistema de ecuaciones finales

Se llega al siguiente sistema de ecuaciones lineales:
 n
 a = [1    a ] m (insesgo)
 a =1
 n n
 a = 1... n, [1   ]    g (x  x )
  
2
  a  = g (x a  x 0 )
  =1  =1
mide las mide la influencia

redundancias de los datos sobre
entre datos el valor a estimar
KRIGING SIMPLE
Precisión de la estimación
El valor mínimo de la varianza del error de estimación se llama
varianza de kriging y vale:
n n
 (x 0 ) =  [1    a ]    a g (x a  x 0 )
2
KS
2
a =1 a =1
Caso particular de un efecto pepita puro
Los ponderadores se anulan y el estimador es igual a la media

conocida. La varianza de kriging es igual a la varianza a priori
2.
KRIGING ORDINARIO
Hipótesis
•Se desconoce el valor promedio de la variable regionalizada

•Se conoce el variograma g(h), el cual puede o no tener meseta
El considerar el valor de la media como desconocido permite

generalizar el estimador a situaciones donde esta media no es
constante en el campo: la media puede variar de una región a
otra del espacio, siempre que sea aproximadamente constante
en cada vecindad de kriging.

KRIGING ORDINARIO
Restricción de linealidad
La estimación en un sitio x0 se escribe como una combinación
lineal ponderada de los datos circundantes, ubicados en los
sitios {xa, a = 1... n}:
n
z ( x 0 ) = a    a z( x a )
*
a =1

KRIGING ORDINARIO
Restricción de insesgo
La esperanza del error de estimación vale:
n
E [ Z (x 0 )  Z(x 0 )] = a    a E [ Z(x a )]  E [ Z(x 0 )]
*
a =1
n
= a  [   a  1] m
a =1
Siendo m desconocida, la única alternativa es plantear

n
a=0 y 
a =1
a =1

KRIGING ORDINARIO
Restricción de optimalidad
La varianza del error de estimación se expresa en función del
variograma:
n n n n
var[ Z (x 0 )  Z(x 0 )] =  [1    a ]    a   g (x a  x  )  2  a g (x a  x 0 )
* 2 2
a =1 a =1  =1 a =1
La minimización de esta expresión bajo la restricción de insesgo

requiere introducir una incógnita adicional llamada multiplicador
de Lagrange, denominada m.

KRIGING ORDINARIO
Sistema de ecuaciones finales
 n
  a =1
 a =1 insesgo

a=0
 n
 a = 1... n,


 =1
 g (x a  x  ) m= g (x a  x 0 )

mide las mide la influencia
redundancias de los datos sobre
entre datos el valor a estimar
KRIGING ORDINARIO
Precisión de la estimación
El valor mínimo de la varianza del error de estimación se llama
varianza de kriging y vale:
n
 (x 0 ) =   a g (x a  x 0 )  m
2
KO
a =1

PROPIEDADES DEL KRIGING

OBSERVACIONES SOBRE EL KRIGING
El sistema de kriging toma en cuenta
• aspectos geométricos: distancias entre el sitio a estimar y

los datos; redundancias entre los datos
• aspectos de continuidad espacial: regularidad, anisotropía
Los ponderadores y la varianza de kriging no toman en cuenta

los valores de los datos.
Salvo excepciones, los ponderadores de kriging pueden ser
negativos, lo que a veces desemboca en estimaciones negativas.
El sistema de kriging es regular (entrega una solución única)

siempre que no existan datos duplicados.
PROPIEDADES DEL KRIGING
• Interpolación exacta: estimar un sitio con dato devuelve

el valor medido en este sitio
• Suavizamiento: la dispersión de los valores estimados es
menor que la dispersión de los valores verdaderos
El kriging tiende a subestimar las zonas de altas leyes
y sobreestimar las zonas de bajas leyes
• Aditividad: el kriging del valor promedio de un sector es
el promedio de las estimaciones puntuales en este sector
• Insesgo: la media de los errores cometidos en una región
de gran tamaño se acerca a cero
INFLUENCIA DE LOS PARAMETROS EN LOS
RESULTADOS DEL KRIGING

CONFIGURACION DE KRIGING
Se busca estimar el valor en el sitio “?” a partir de los valores

en los sitios A, B, C, D, E, F.

INFLUENCIA DEL COMPORTAMIENTO DEL VARIOGRAMA
EN EL ORIGEN
Variograma lineal v/s variograma parabólico en el origen

esférico (alcance 1, meseta 1) Gaussiano (alcance 1, meseta 1)

EN EL ORIGEN
Variograma lineal v/s variograma con discontinuidad en el origen

esférico (alcance 1, meseta 1) esférico (0.5) + pepita (0.5)

EN EL ORIGEN
Variograma lineal v/s variograma totalmente pepítico

esférico (alcance 1, meseta 1) efecto pepita puro (meseta 1)

INFLUENCIA DE LA MESETA DEL VARIOGRAMA
Se toma el modelo esférico como referencia

esférico (alcance 1, meseta 1) esférico (alcance 1, meseta 2)

INFLUENCIA DEL ALCANCE DEL VARIOGRAMA

INFLUENCIA DEL ALCANCE DEL VARIOGRAMA
esférico (alcance 1, meseta 1) esférico (alcance 0.5, meseta 1)

INFLUENCIA DEL EFECTO DE HOYO DEL VARIOGRAMA
esférico (alcance 1, meseta 1) seno cardinal (semi-período 0.2)

INFLUENCIA DE LA ANISOTROPIA DEL VARIOGRAMA
esférico anisótropo (meseta 1,

esférico (alcance 1, meseta 1) alcances 2 [N45E] y 0.5 [N45O])

INFLUENCIA DEL TIPO DE KRIGING: SIMPLE U ORDINARIO

kriging ordinario kriging simple

INFLUENCIA DEL TIPO DE KRIGING: SIMPLE U ORDINARIO
esférico (alcance 0.5, meseta 1) esférico (alcance 0.5, meseta 1)

kriging ordinario kriging simple

INFLUENCIA DEL TIPO DE KRIGING: PUNTUAL O DE
BLOQUE

kriging puntual kriging de un bloque 0.25 x 0.25

INFLUENCIA DEL TIPO DE KRIGING: PUNTUAL O DE
BLOQUE
Esférico (alcance 1, meseta 1) Esférico (alcance 1, meseta 1)

kriging de un bloque 0.5 x 0.5 kriging de un bloque 1.0 x 1.0

KRIGING DE INDICADORES
Principio
Se busca caracterizar el valor en el sitio “?” por una distribución
de probabilidad, la cual refleja la incertidumbre en este sitio.

KRIGING DE INDICADORES
ponderador de ley de corte ley de corte ley de corte ley de corte ley de corte
sitio ley
kriging (%) nº1 = 0.1 nº2 = 0.2 nº3 = 0.3 nº4 = 0.4 nº5 = 0.5
A 5.2 0.21 0 0 1 1 1
B -7.2 0.35 0 0 0 1 1
C 57.9 0.42 0 0 0 0 1
D 27.1 0.28 0 0 1 1 1
E 15.7 0.53 0 0 0 0 0
F 1.2 0.05 1 1 1 1 1
? 0.389 0.012 0.012 0.335 0.263 0.842
La estimación de cada
indicador se interpreta
como la probabilidad
que el valor verdadero
sea menor que la ley
de corte asociada.
Ejemplo 2:
En el caso del yacimiento anisótropo de la figura, se tiene el bloque
siguiente :
Leyes de cobre en un
banco de una mina a
cielo abierto
En negro leyes de cobre, en rojo número de

la muestra

Al usar un programa computacional, se obtienen los ponderadores
siguientes:
Vemos que el krigeado ha considerado la anisotropía, asignando mayor

peso a los datos 2 y 3 que a 4 y 5.
Propiedades del Krigeage
 El Krigeage da lugar al mejor estimador lineal posible considerando la información disponible.
 El Krigeage toma en cuenta la estructura del fenómeno y las correlaciones espaciales (función Ƴ(h)).
También las propiedades geométricas del problema como la posición relativa y número de datos en el
primer miembro, posición relativa respecto de V en el segundo miembro.
 Si el semivariograma es isótropo y si la malla es regular, el Krigeage considerará las simetrías. Estas
son útiles en la reducción del número de incógnitas en los sistemas de ecuaciones.
 La varianza de Krigeage permite medir la precisión de los estimadores. Esta varianza puede ser
calculada a priori par diferentes configuraciones de Krigeage y de este modo permite tomar decisiones.


Capitulo V - Cátedra Valorización de Minas - El Krigeado PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo V - Cátedra Valorización de Minas - El Krigeado PDF

Cargado por

Copyright:

Formatos disponibles

DE LOS ESTIMADORES

Valorización de Minas : Semestre 1 año 2016

La estimación local consiste en evaluar (predecir) el valor de la

Asimismo, se puede evaluar el valor promedio de la variable en

Valorización de Minas : Semestre 1 año 2016

Valorización de Minas : Semestre 1 año 2016

Estimador del más cercano vecino

Valorización de Minas : Semestre 1 año 2016

Estimador del inverso de la distancia

Valorización de Minas : Semestre 1 año 2016

El kriging busca mejorar la ponderación de los datos al tomar

En términos mineros, el krigeado consiste en encontrar la

El krigeado atribuye un peso λi a la muestra z(xi). Estos pesos λi

Interés del Krigeado

El interés del krigeado proviene de su misma definición. Al

Dos bloques contiguos en la oficina Ossa. El color amarillo representa

Valorización de Minas : Semestre 1 año 2016

Valorización de Minas : Semestre 1 año 2016

De acuerdo a lo expresado anteriormente, el krigeado define el estimador

Valorización de Minas : Semestre 1 año 2016

Como es natural, el krigeado atribuye pesos altos a las muestras cercanas

Valorización de Minas : Semestre 1 año 2016

Se dice que hay una transferencia de influencia; es decir, la influencia de la

Valorización de Minas : Semestre 1 año 2016

Por ejemplo, si se tiene un variograma lineal isótropo, γ(h)=ω|h| , se

Variograma lineal y pesos del krigeado. Se tienen 3 muestras. Se

Valorización de Minas : Semestre 1 año 2016

El sistema de kriging se obtiene al plantear tres restricciones:

Sea z(x) la variable regionalizada en estudio, {xa, a = 1... n}

La primera restricción consiste en escribir el estimador como

Buscar los ponderadores {a, a = 1... n} y el coeficiente a

En el modelo probabilístico, el error cometido debe tener una

El estimador no tiende a sobreestimar o subestimar el valor

Se busca minimizar la varianza del error cometido, que mide

minimizar var[Z*(x0) – Z(x0)]

Búsqueda de la precisión máxima

Valorización de Minas : Semestre 1 año 2016

Para obtener las ecuaciones de krigeado hay que minimizar la

pero los λi deben verificar la condición:

El método clásico para minimizar la expresión de σE2 (igualar a cero

μ es una incógnita auxiliar llamada parámetro de Lagrange.

El método de Lagrange consiste en igualar a cero las derivadas

Valorización de Minas : Semestre 1 año 2016

Luego el mínimo de A' ó de A es:

Ao = (0.5)^2 + (0.5)^2 = 0.5

Por lo general el parámetro μ carece de significación física.

Valorización de Minas : Semestre 1 año 2016

que es un sistema lineal de N+1 ecuaciones con N+1 incógnitas (λ1,

Bloque a krigear, en negro la ley de la

Valorización de Minas : Semestre 1 año 2016

¿Cuáles son los datos a utilizar en la estimación?

Se puede utilizar todos los datos disponibles (vecindad única)

Forma de la vecindad móvil

Idealmente, la vecindad debería tener la forma de las curvas

En general, se suele tomar una vecindad en forma de elipse

Valorización de Minas : Semestre 1 año 2016

División en sectores angulares

Valorización de Minas : Semestre 1 año 2016

Tamaño de la vecindad móvil

Los parámetros más relevantes a considerar son: el alcance

•Factores que inducen a disminuir el tamaño:

Para determinar el plan de kriging, se puede recurrir a la

Valorización de Minas : Semestre 1 año 2016